--- schema_version: "library-reader-v1" source_type: "original_book" title: "人工智能的进化 计算机思维离人类心智还有多远" author: null edition: null publisher: null year: null isbn: "9787508685670" library_document_id: "72c4da97-7cf2-441a-a985-c1252297d6a3" source_sha256: "7fe6b67406c38d63be8888212fd3015f412217ac0362f442b69e1c1169b192df" pdf_physical_page_count: 216 pdf_physical_page_index_base: 0 range_start: 40 range_count: 10 html_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3?start=40&limit=10" markdown_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=40&limit=10" previous_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=30&limit=10" next_url: "https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=50&limit=10" --- # 人工智能的进化 计算机思维离人类心智还有多远 > 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。 ## PDF_PHYSICAL_PAGE_INDEX=40 | PRINTED_PAGE=029 那么问题又来了。根据上文中程序的第8行和第9行，可以求得M的第一位数字（或者上一个数的第一位数字）的平方，但是该程序可能并不存在于M的内存(记忆）当中。通常，计算机程序总是先被转化成另一种易于硬件执行的形式，用计算机术语来说，上文中的程序叫作源代码。储存在M内存中的转化版本叫作目标代码。即使这位神经系统学家再怎么才华横溢，也只可能获得目标代码。即使有了目标代码，也完全没有可能恢复其源代码。 比如通常来说，在计算机系统中求一个数字的平方并非单一操作，在目标代码的操作过程中可能会大量出现乘法运算。(但是，这要比我们在小学里学的一个数字乘以一个数字的运算高级得多。) 更麻烦的是，对数字进行编码无法像处理电子元件那样简单。操作可能会需要多个元件共同参与，但是并不需要它们在物理位置上彼此相近。实际上，在所谓分布式表征（常用于大脑神经网络模型）当中，我们需要观察众多电子元件的状态，发现其所代表的单个数字的值。但最麻烦的问题是，在分布式表征当中，单个元件有可能代表多个数值。 由此可见，虽然将源代码转化成目标代码相当容易，但是把目标代码转化为源代码就相当于破解一个加密的谜语，难似登天。所以软件公司为保护自己的知识产权，只会出售软件产品的目标代码，因为他们相信，获取源代码这种“反向工程”在技术上非常困难，经济成本也一般令人难以承受。（“开放源代码”的软件产品则恰恰相反，其源代码都被公之于众。) 第 2 章巨型拼图之谜 029 ## PDF_PHYSICAL_PAGE_INDEX=41 | PRINTED_PAGE=030 所以，即使拥有电子探针等最先进的测试设备，神经科学家依然无法还原M的原始程序。虽然能够不受限制地接触所有相关元件，甚至对这些元件的构成了如指掌，但这依然不能保证我们弄清像M的行为方式一样看似简单的事情。 简而言之，这就是神经科学的困难所在。 即使我们能够获取构成人脑的1000亿个神经元，即使我们能够将这些神经元视为理想的无噪声数字元件，我们也仍然无法搞清自己行为方式背后的原因。如果神经科学家处理的是真正的神经系统的组成，而非电子元件，就会看到大量正在进行当中的化学和生物反应，它们错综复杂、难以梳理。比如，我们是如何记住某种现象的?我们如何根据这些现象得出新的结论?我们如何根据这些结论确定自己的行为?显而易见,这些问题都要比搞清M为何发出三次响声复杂得多。在神经科学领域（即使是最尖端的神经科学)，寻求这些问题的答案确实是勉为其难了。 我们只能另寻他法。 一条解决的途径 当我们努力搞清某种复杂现象时—人类思维当然也是这种复杂现象之一—我们通常有两种选择：我们可以研究产生这种现象的主体(即人脑)，也可以直接研究现象本身。以研究飞行为例，在飞机出现之前，人类就想要知道像鸟类和蝙蝠这些动物是如何飞行的，也想尝试制造能够飞行的机器。因此，有两种方法可以开始着手： 人工智能的进化 030 ## PDF_PHYSICAL_PAGE_INDEX=42 | PRINTED_PAGE=031 ·研究鸟类等能够飞行的动物，仔细观察它们的翅膀、羽毛、肌肉，然后仿照鸟类的身体结构，制造飞行器。 ·使用风洞和各种翼型，研究空气动力学机翼上下两方的空气如何流动，如何才能获得升力。 上述两种研究都会得出相应的结论，但是内容却迥然不同。或许第二种方法更便于推广，即寻找并发现适用于包括鸟类在内所有物体飞行的原理。 思维与之相似。虽然我们想知道人类思维的奥妙，想知道思维如何引导智能行为，但这并不意味着除了依靠研究人类自身以外，别无他法。诚然，研究人脑（及其他生物的大脑）可以获得很多发现，但除此之外，我们还可以将注意力放在思维过程本身上面，找到适用于人脑及其他思考行为的普遍原理。 这就是哲学家丹尼尔·丹尼特(DanielDennett)所说的设计立场。我们需要做的，就是找到在设计具有飞行能力或思维能力的东西时，都会涉及哪些因素。我们无须在细节上纠结人脑如何工作，而应将注意力转移到人脑所做的工作上，研究人脑是怎样完成该项工作的，希望可以在此过程中发现什么因素起了作用，什么未起作用。 当然，设计立场这种方法无法解决整个谜题。比如，这种方 第己章巨型拼图之谜 031 ## PDF_PHYSICAL_PAGE_INDEX=43 | PRINTED_PAGE=032 人工智能的进化 法不会告诉我们某种现象如何成为某种演化过程的最终结果，也不能用于解释无法观察的现象。如果我们想知道的不是鸟类如何飞行，而是鸟类是否具有某种从不显现的内部感觉，设计立场就无能为力了。 所以最后，我们必须强调，我们的研究对象是可观察的智能行为及其产生的过程。当然，我们必须承认，思维是必不可少的，但我们不会关注这种思维的结果带给思维主体的感受。 在很多研究人员看来，研究应集中在有意识思维的主观感受(或称为感受性）上，这也是人类心智的显著特征，非常有趣。我将此称为巨型拼图问题。毫无疑问，对于意识的感知能力是这个拼图里非常有趣的部分，但不是唯一的有趣部分。 032 ## PDF_PHYSICAL_PAGE_INDEX=44 | PRINTED_PAGE=NOT_DETECTED 第 3章 知识与行为 ## PDF_PHYSICAL_PAGE_INDEX=45 | PRINTED_PAGE=NOT_DETECTED ## PDF_PHYSICAL_PAGE_INDEX=46 | PRINTED_PAGE=NOT_DETECTED 到20世纪中叶，数字计算机的应用更加广泛，由于其运算速度和精确度令人惊叹，人们也将其称为“电脑”。当然，这里所谓的“电脑”(不管当时还是现在）的构造与生物学上的大脑构造完全不同。在这种情况下，最有价值的问题是：电脑能否替代人脑来完成某些事情？ 约翰·麦卡锡发现：人们在日常行为中表现出的突出特点就是知识的决定作用。在面对全新情况需要做出决定时，人们会习惯性地运用已有的知识，且心理活动可能表现为如下方面 ·在规划行为时，人们会自动调动脑中与周围环境相关的知识，分析目前面临的选择以及自身行为可能产生的影响。 ·在理解视觉场景时，人们不得不用已知物品的外观来判断视野之外的场景细节。 ## PDF_PHYSICAL_PAGE_INDEX=47 | PRINTED_PAGE=036 ·在使用语言时，人们不得不使用与谈话主题以及语句中单词含义相关的知识。 智能行为似乎大都遵循着一个规律，即它们取决于背景知识的储备情况。例如，一旦你知道柠檬是黄色的，那么做以下这些事情就易如反掌了：在纸上画一个柠檬，在杂货店挑选一个柠檬列出黄色的水果等。麦卡锡首次提出：若想理解智能行为，我们就应研究在背后支持智能行为的知识，以及这些知识是如何影响人类行为决策的。 在下一章，我们将回到图灵测试，并讨论麦卡锡的观点为何依然重要。但是在这之前，我们不妨先暂缓脚步，仔细研究知识这一概念，搞清楚知识决定智能行为意味着什么。 超越刺激与反应 在大部分情况下，解释人类行为及其原因最好、最简单的手段就是刺激与反应。这种情况在动物身上非常常见，人类自然也不例外。例如，人类对于语言的使用:当衣服不小心被钉子钩住时，我们会说“怎么回事”；当在拥挤的火车上撞到别人时，我们会说“对不起”；当看到小孩把头探出护栏时，我们会说“小心”;当用锤子砸到手指时，我们则会脱口而出一些不文明的词语。 但是，如果你认为人类对于语言的使用都是出于这样的原因，那可就犯了一个巨型拼图式的错误。来看下面这则故事中所展示的用法： 人工智能的进化 036 ## PDF_PHYSICAL_PAGE_INDEX=48 | PRINTED_PAGE=037 假设你和几个朋友正在聊着电影《2001：太空漫游》。突然，蒂姆（Tim）说：“这部电影的蓝光版真好看。”你答道：“这电影1968年就首映了，真是难以想象。” 那么，我们有什么发现呢?这里有一个刺激，即蒂姆的评论，还有一个反应，即你的评论。但是，我们现在难以解释的是，这个刺激是如何引发反应的。比如，到底是什么让你说出“1968年”这样的话呢？ 很显然，刺激与反应之间存在空白。唯一合理的解释就是：你的思维填补了这一空白。你所掌握的信息是这部电影上映于1968年，而且你认为这样说有利于谈话顺利进行下去。也许你只是想附和一下蒂姆的观点，或者仅仅为了不冷场，在大家的高谈阔论之中插句话而已。但是你做出的反应并非由这种意愿决定，而是由你对这部电影的了解程度所决定。 针对这一过程，心理学家弗雷德里克·巴特利特爵士(SirFrederic Bartlett)如是说： 我认为，该思维过程的重要特征如下：当发现现有证据或信息存在空白或者不完整时，思维过程就会启动。随后，空白得到填补，缺失的信息被补充完整。该过程能够顺利完成，依靠的是在原有基础上对与证据相关的内容进行扩展和补充。除了思维启动时涉及的信息以外，在扩展和补充的过程中，会使用来自其他渠道的信息。[《思维》(Thinking)，1958年，第75页] 第 3 章知识与行为 037 ## PDF_PHYSICAL_PAGE_INDEX=49 | PRINTED_PAGE=038 决定因素就是这些“来自其他渠道的信息”。 背景故事：你肯定是在某个时间知道了电影《2001:太空漫游》是在1968年上映的。可能是电影刚一上映，你就去看了；可能你先看到了上映日期，然后才去看了电影；可能你在某个地方看到了该电影的上映日期；可能你在宣传海报上看到了上映日期；也可能你听别人说起过。不管你是怎么知道的，这种刺激在你身上产生了作用。也许当时你并没有说什么，但是你开始相信：电影《2001：太空漫游》上映于1968年。(我们在下文中会谈谈“知道”和“相信”之间的区别。) 后来，当你们讨论电影时，蒂姆说出了自己的想法，而电影何时上映的想法也在你的脑中浮现。你和蒂姆一样，也看过电影的蓝光版本，你也清楚地记得当时的感受。然而，你没有仅仅是赞同蒂姆的想法，或者说“真棒”这样的话。你不想表现得平庸，更不想显得无知。于是，你迅速想出一个非常有趣的想法：电影《2001：太空漫游》比同时期的其他电影都要好看，但你也没有这样直接说出来。恰巧，你知道电影的一些具体信息，即上映时间是1968年，而这就成了你所说出口的话。 人工智能的进化 038 下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/72c4da97-7cf2-441a-a985-c1252297d6a3.md?start=50&limit=10)